지능형 웹 알고리즘 - 위키북스

책소개

《지능형 웹 알고리즘》 제2판은 사용자, 웹 애플리케이션, 웹 사이트 로그에서 수집한 데이터를 처리하고 가공하고 분석하는 머신러닝 애플리케이션을 구축하는 방법을 가르쳐 준다. 완전히 개정된 이 개정판에서는 데이터에서 실제 가치를 뽑아내는 지능형 알고리즘을 살펴본다. 또한 머신러닝의 주요 개념을 파이썬 사이킷런(scikit-learn)으로 작성된 코드 예제와 함께 설명하고, 웹에서 흘러 들어오는 데이터를 포착하고 저장하고 구조화하는 알고리즘을 안내한다. 나아가 추천 엔진을 탐구하고 통계적 알고리즘, 신경망, 딥러닝을 통해 분류에 대해 자세히 알아본다.

책소스 

https://www.manning.com/books/algorithms-of-the-intelligent-web-second-edition
https://github.com/dougmcilwraith/aiw-second-edition

책목차

• ▣ 01장: 지능형 웹을 위한 애플리케이션 구축
  • 1.1 실제 사용 중인 지능형 알고리즘: 구글 나우
  • 1.2 지능형 알고리즘의 라이프 사이클
  • 1.3 지능형 알고리즘의 다른 예들
  • 1.4 지능형 애플리케이션이 아닌 것들
    • 1.4.1 지능형 알고리즘은 만능으로 생각할 수 있는 기계가 아니다
    • 1.4.2 지능형 알고리즘은 편리한 인간 대체품이 아니다
    • 1.4.3 지능형 알고리즘은 우연히 발견된 것이 아니다
  • 1.5 지능형 알고리즘의 분류
    • 1.5.1 인공지능
    • 1.5.2 머신러닝
    • 1.5.3 예측분석
  • 1.6 지능형 알고리즘의 성능 평가
    • 1.6.1 지능 평가
    • 1.6.2 예측 평가
  • 1.7 지능형 알고리즘에 관한 중요 사항
    • 1.7.1 데이터는 신뢰할 수 없다
    • 1.7.2 추론은 즉시 생기지 않는다
    • 1.7.3 크기가 중요하다!
    • 1.7.4 알고리즘이 다르면 확장 방식이 달라진다
    • 1.7.5 모든 문제가 못은 아니다
    • 1.7.6 데이터가 전부는 아니다
    • 1.7.7 학습 시간은 변동적이다
    • 1.7.8 일반화하는 일을 목표로 삼는다
    • 1.7.9 인간의 직관에는 문제가 있다
    • 1.7.10 새로운 특징을 뽑아 낼 생각을 하라
    • 1.7.11 다양한 모델을 학습하라
    • 1.7.12 상관관계와 인과관계는 같지 않다
  • 1.8 요약
  •  
• ▣ 02장: 군집화와 변환을 통한 데이터 구조 추출
  • 2.1 데이터, 구조, 편향 및 잡음
  • 2.2 차원의 저주
  • 2.3 k 평균
    • 2.3.1 k 평균 실행
  • 2.4 가우스 혼합모형
    • 2.4.1 가우스 분포란?
    • 2.4.2 기댓값 최대화와 가우스 분포
    • 2.4.3 가우스 혼합모형
    • 2.4.4 가우스 혼합모형을 이용한 학습의 예
  • 2.5 k 평균과 가우스 혼합모형 간의 관계
  • 2.6 데이터 축 변환
    • 2.6.1 고유벡터와 고윳값
    • 2.6.2 주성분 분석
    • 2.6.3 주성분 분석의 예
  • 2.7 요약
  •  
• ▣ 03장: 콘텐츠 추천
  • 3.1 장면 설정: 온라인 영화 사이트
  • 3.2 거리 및 유사도
    • 3.2.1 거리와 유사도에 대한 심층 탐구
    • 3.2.2 최선의 유사도 공식은?
  • 3.3 추천 엔진은 어떻게 동작하는가?
  • 3.4 사용자 기반 협업 필터링
  • 3.5 특잇값 분해를 이용한 모델 기반 추천
    • 3.5.1 특잇값 분해
    • 3.5.2 특잇값 분해를 이용한 추천: 사용자에 대한 영화 선택
    • 3.5.3 특잇값 분해를 이용한 추천: 주어진 영화에 대한 사용자 선정
  • 3.6 넷플릭스 현상 공모
  • 3.7 추천기 평가
  • 3.8 요약
  •  
• ▣ 04장: 분류 - 사물을 속한 곳에 갖다 놓기
  • 4.1 분류의 필요성
  • 4.2 분류기의 개요
    • 4.2.1 구조적 분류 알고리즘
    • 4.2.2 통계적 분류 알고리즘
    • 4.2.3 분류기의 수명주기
  • 4.3 로지스틱 회귀를 사용한 부정행위 탐지
    • 4.3.1 선형 회귀 입문
    • 4.3.2 선형 회귀에서 로지스틱 회귀로
    • 4.3.3 부정행위 탐지 구현
  • 4.4 결과를 믿을 만한가?
  • 4.5 대규모 데이터셋을 사용한 분류
  • 4.6 요약
  •  
• ▣ 05장: 사례 연구 - 온라인 광고를 위한 클릭 예측
  • 5.1 역사및 배경
  • 5.2 광고거래소
    • 5.2.1 쿠키 일치
    • 5.2.2 입찰
    • 5.2.3 낙찰 또는 패찰 통지
    • 5.2.4 광고 지면
    • 5.2.5 광고 모니터링
  • 5.3 입찰기는 무엇인가?
    • 5.3.1 입찰기 요건
  • 5.4 의사결정 엔진이란?
    • 5.4.1 사용자 정보
    • 5.4.2 광고 지면 정보
    • 5.4.3 상황 정보
    • 5.4.4 데이터 준비
    • 5.4.5 의사결정 엔진 모델
    • 5.4.6 예측된 클릭률을 입찰 가격으로 매핑
    • 5.4.7 특징 공학
    • 5.4.8 모델 훈련
  • 5.5 보우팔 왜빗을 사용한 클릭 예측
    • 5.5.1 보우팔 왜빗 데이터 형식
    • 5.5.2 데이터셋 준비
    • 5.5.3 모델 테스트
    • 5.5.4 모델 보정
  • 5.6 의사결정 엔진 구축의 복잡성
  • 5.7 실시간 예측의 미래
  • 5.8 요약
  •  
• ▣ 06장: 딥러닝과 신경망
  • 6.1 딥러닝에 대한 직관적 접근방법
  • 6.2 신경망
  • 6.3 퍼셉트론
    • 6.3.1 훈련
    • 6.3.2 사이킷런으로 퍼셉트론 훈련시키기
    • 6.3.3 두 개의 입력을 위한 퍼셉트론의 기하학적 해석
  • 6.4 다층 퍼셉트론
    • 6.4.1 역전파를 이용한 학습
    • 6.4.2 활성화 함수
    • 6.4.3 역전파의 이면을 직관하기
    • 6.4.4 역전파 이론
    • 6.4.5 사이킷런에서 MLNN
    • 6.4.6 학습된 다층 퍼셉트론
  • 6.5 더 깊은 곳으로: 다층 신경망에서 딥러닝으로
    • 6.5.1 제한 볼츠만 머신
    • 6.5.2 베르누이 제한 볼츠만 머신
    • 6.5.3 실제의 RBM류
  • 6.6 요약
  •  
• ▣ 07장: 적절한 선택
  • 7.1 A/B 테스트
    • 7.1.1 이론
    • 7.1.2 코드
    • 7.1.3 A/B의 적합성
  • 7.2 MAB
    • 7.2.1 MAB 전략
  • 7.3 실무에서의 베이즈 밴딧
  • 7.4 A/B 대 베이즈 밴딧
  • 7.5 MAB 확장
    • 7.5.1 상황적 밴딧
    • 7.5.2 적대적 밴딧
  • 7.6 요약
  •  
• ▣ 08장: 지능형 웹의 미래
  • 8.1 지능형 웹의 미래 응용
    • 8.1.1 사물 인터넷
    • 8.1.2 홈 헬스케어
    • 8.1.3 자율 주행 자동차
    • 8.1.4 개인화된 물리적 광고
    • 8.1.5 시맨틱 웹
  • 8.2 지능형 웹의 사회적 함의
  •  
• ▣ 부록
  • 동기부여를 위한 예: 온라인 광고 노출
  • 데이터 수집: 나이브한 접근방법
  • 대규모 수집 데이터 관리
  • 카프카에 대한 평가: 대규모 데이터 수집
  • 카프카의 설계 유형